Revista de Ciencias Sociales (RCS)
Vol. XXXII, No. 3, Julio-Septiembre 2026. pp. 361-376
FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431
Como citar: Cárdenas, M. P.,
Fiallos, A. R., Gutiérrez, M. V., y Torres-Naverrete, Y. G. (2026). Factores
predictores del uso de tecnología en profesorado universitario postpandemia: Un
modelo de ecuaciones estructurales. Revista De Ciencias Sociales, XXXII(3),
361-376.
Factores predictores del uso de
tecnología en profesorado universitario postpandemia: Un modelo de ecuaciones
estructurales
Cárdenas Zea, Miriam Patricia*
Fiallos
Barrionuevo, Alex Rosendo**
Gutiérrez
Soto, Marcos Vinicio***
Torres-Naverrete,
Yenny Guiselli****
Resumen
La
educación universitaria postpandemia ha acelerado la incorporación tecnológica,
generando nuevos retos para el profesorado. El objetivo fue identificar los
factores que predicen el uso de la tecnología en docentes universitarios,
mediante un modelo de ecuaciones estructurales basado en la autoeficacia, las
competencias digitales y la experiencia en modalidades bimodal y remota. Se
aplicó un cuestionario estructurado para la recolección de datos, procesados
posteriormente con SPSS versión 25 y analizados mediante SEM con MLR. Los
resultados muestran que la autoeficacia y las competencias digitales son
predictores directos y significativos del uso tecnológico; mientras que la
experiencia en enseñanza remota ejerce un efecto positivo moderado; la
modalidad bimodal no presenta impacto significativo. Además, la autoeficacia
funciona como mediadora parcial entre las competencias digitales y el uso de la
tecnología. El modelo explica el 58% de la varianza del uso tecnológico y presenta
un ajuste satisfactorio según índices estadísticos. Se concluye que fortalecer
la autoeficacia y competencias digitales a través de experiencias
contextualizadas, es clave para promover una transformación digital pedagógica
sostenible en la universidad postpandemia. Se sugieren futuras investigaciones
que exploren las diferencias contextuales y emocionalesdida; competencias
digitales docente; uso de tecnología; educación universitaria postpandemia;
modalidad bimodal y remota.
Palabras clave: Autoeficacia docente percibida; competencias
digitales docente; uso de tecnología; educación universitaria postpandemia;
modalidad bimodal y remota.
* Doctora en Ciencias Pedagógicas. Docente en la Universidad Técnica Estatal de Quevedo, Quevedo, Los Ríos, Ecuador. E-mail: mcardenas@uteq.edu.ec ORCID: https://orcid.org/0000-0002-8687-5136
** Magister Universitario en Ingeniería del Software. Docente en la Universidad Técnica Estatal de Quevedo, Quevedo, Los Ríos, Ecuador. E-mail: afiallos@uteq.edu.ec ORCID: https://orcid.org/0000-0002-2777-1791
*** Doctor en Ciencias de la Educación. Docente en la Universidad Técnica Estatal de Quevedo, Quevedo, Los Ríos, Ecuador. E-mail: mgutierrezs@uteq.edu.ec ORCID: https://orcid.org/0000-0003-4846-1765
**** Doctora en Recursos Naturales y Gestión Sostenible. Rectora de la Universidad Técnica Estatal de Quevedo, Quevedo, Los Ríos, Ecuador. E-mail: ytorres@uteq.edu.ec ORCID: https://orcid.org/0000-0003-3056-8708
Recibido: 2026-02-28 • Aceptado: 2026-05-18
Predictors of technology use among university faculty post-pandemic: A structural equation model
Abstract
Post-pandemic university education has accelerated the integration of technology, generating new challenges for faculty. The objective was to identify the factors that predict technology use among university professors, using a structural equation model based on self-efficacy, digital skills, and experience in blended and remote teaching modalities. A structured questionnaire was used to collect data, which were subsequently processed with SPSS version 25 and analyzed using SEM with MLR. The results show that self-efficacy and digital skills are direct and significant predictors of technology use; while experience in remote teaching has a moderate positive effect; blended learning does not show a significant impact. Furthermore, self-efficacy acts as a partial mediator between digital skills and technology use. The model explains 58% of the variance in technology use and shows a satisfactory fit according to statistical indices. It is concluded that strengthening self-efficacy and digital skills through contextualized experiences is key to promoting a sustainable digital pedagogical transformation in post-pandemic universities. Future research is suggested that explores the contextual and emotional differences linked to hybrid teaching modalities to optimize teacher training in technology.
Keywords: Perceived teacher self-efficacy; teacher digital competencies; technology use; post-pandemic university education; bimodal and remote modality.
Introducción
La
emergencia sanitaria global actuó como un catalizador sin precedentes para la
digitalización de la educación universitaria, transfigurando las prácticas
pedagógicas tradicionales en un modelo o paradigma híbrido y remoto de manera
forzosa (Hodges et al., 2020; Briceño et al., 2020; Hernández et al.,
2021). En la actual fase postpandemia, lejos de revertirse, estas modalidades
se han consolidado, revelando una brecha significativa en la preparación del
profesorado para afrontarlas con eficacia.
Este
escenario plantea un problema de investigación: ¿Cuáles son los factores que,
no solo facilitaron la supervivencia docente durante la crisis sanitaria, sino
que ahora determinan el uso efectivo y sostenible de la tecnología en la
docencia universitaria? La justificación de este estudio radica en la necesidad
de proporcionar a las instituciones de educación superior evidencia empírica
sólida para diseñar estrategias de capacitación y apoyo que trasciendan la mera
instrucción técnica y aborden dimensiones psicosociales clave.
Diversos
estudios han abordado los desafíos de la transición digital, como la fatiga zoom, la desigualdad de acceso o la dificultad para
evaluar en línea (Bao, ٢٠٢٠). Sin embargo, existe una necesidad palpable de investigaciones que
integren constructos como la autoeficacia percibida y las competencias
digitales en un modelo predictivo comprehensivo que permita anticipar y
fomentar el uso de la tecnología. Este artículo busca llenar ese vacío.
El
objetivo general de esta investigación es Identificar los factores que predicen
el uso de la tecnología por el profesorado universitario en el contexto
postpandemia, mediante un modelo de ecuaciones estructurales basado en la
autoeficacia docente, las competencias digitales y la experiencia en modalidades
bimodal y remota. La metodología, de corte cuantitativo y con un diseño
transversal, se detallará en un apartado específico.
1.
Fundamentación teórica
1.1.
El nuevo panorama educativo universitario
En
la postpandemia, la educación universitaria no regresa a la normalidad
anterior, sino que consolida prácticas digitales en una etapa de hibridación.
Dorfsman y Horenczyk (2021), denominan este proceso normalización de una
pedagogía postpandemia, que supera la respuesta de emergencia. Lo que inició
como economía de guerra de la enseñanza (Vázquez-Cupeiro y García-Arnau, 2022),
ha progresado hacia un escenario permanente que redefine la interacción
educativa.
Existe
consenso en que la digitalización obligatoria actuó como catalizador de una
transformación pendiente (Garrido y Ríos, 2020). La situación actual requiere
evolucionar hacia una transformación digital sistemática (García-Peñalvo et
al., 2020; Illescas et al., 2025), lo que justifica analizar los factores que
moldean la adaptación del profesorado en este ecosistema híbrido. Superada la
etapa reactiva, la investigación debe centrarse en la calidad e intencionalidad
pedagógica del uso, no solo en la disponibilidad. La evidencia sistematizada
por Almache et al. (2024); y, Estupiñán et al. (2025), confirma
progreso en infraestructura; sin embargo, persisten barreras como la formación
insuficiente y la resistencia al cambio metodológico.
Cabero-Almenara
y Llorente-Cejudo (2020), advierten el riesgo de que la tecnología siga
percibiéndose como un añadido y no como palanca de innovación. Su potencial
transformador radica en su integración efectiva en diseños instruccionales
significativos (Delgado et al., 2020; Crovi, 2023; Chávez et al., 2025), por lo
que el uso tecnológico debe funcionar como un constructo multidimensional que
incluya frecuencia, variedad de herramientas e intencionalidad pedagógica.
Nuñez-Ramírez et al. (2021), desde la Teoría del Comportamiento
Planificado, identificaron actitudes y normas subjetivas como predictores de la
intención de uso; sin embargo, en la etapa actual de consolidación, es
importante indagar qué factores predicen un uso profundo y diversificado,
alineado con principios de alta calidad educativa (Bao, 2020).
La
identificación de núcleos positivos como la innovación tecnológica
(Deroncele-Acosta et al., 2023) robustece este enfoque. Así, el estudio de los
predictores del uso tecnológico eficiente es imprescindible para orientar
políticas institucionales y formación docente, garantizando una hibridación que
fortalezca un modelo educativo más resiliente e inclusivo (Viñas y Secul,
2025).
1.2.
La autoeficacia docente como factor básico para la integración tecnológica
La
autoeficacia docente, entendida como las creencias del profesorado sobre su
capacidad para lograr resultados pedagógicos, es un constructo fundamental de
la Teoría Social Cognitiva de Bandura (1986). Según esta teoría, las creencias
personales median entre el pensamiento y la acción, influyendo en la motivación,
el esfuerzo y la persistencia ante los desafíos. En el contexto de la
integración tecnológica, la autoeficacia es un predictor fundamental: el juicio
del docente sobre su competencia digital determina su disposición a adoptar e
innovar. Las creencias de autoeficacia operan como un filtro que facilita tanto
la adopción inicial como el uso reflexivo y estratégico de los recursos
digitales.
Las
dimensiones de la autoeficacia propuestas por Bandura (1986), tales como
experiencias de éxito, experiencias vicarias, persuasión verbal y estados
fisiológicos, tienen aplicación directa en el ámbito tecnológico. Las
experiencias directas de logro fortalecen la confianza; la observación de otros
docentes con efectividad sirve como paradigma inspirador; y la persuasión verbal
estimula nuevas prácticas. Sin embargo, De Britto (2021) señala que estados
emocionales como la ansiedad pueden saturar estas creencias. Su estudio detectó
que las experiencias directas e indirectas y la persuasión social fortalecen la
autoeficacia computacional; mientras que los estados negativos la debilitan.
Por ello, las intervenciones formativas deben sistematizar logros, modelaje y
retroalimentación positiva.
La
literatura empírica evidencia que una alta autoeficacia docente pronostica
mayor innovación con Tecnologías de Información y Comunicación (TIC), menor
ansiedad y un uso más persistente. Roy et al. (2025), hallaron una correlación
favorable entre autoeficacia y percepción de competencia digital en egresados
de un Magister en docencia universitaria. Asimismo, Arpasi et al. (2022)
encontraron una relación directa entre ambas variables en estudiantes
universitarios. Por su parte, Davis (1989) estableció que la percepción de
facilidad de uso y utilidad, vinculada a la autoeficacia, es determinante para
la aceptación tecnológica.
En
suma, la autoeficacia tecnológica se configura como un predictor fuerte del uso
frecuente, diversificado e intencional de las TIC, y constituye un factor
esencial para transitar de una integración tecnológica simple hacia una
transformación digital robusta y sostenible en el contexto universitario
postpandemia.
1.3.
Las competencias digitales docentes: del dominio técnico al pedagógico
Las
competencias digitales docentes son un constructo multidimensional que trasciende
el simple dominio técnico de herramientas. Según el Marco Común de Competencia
Digital Docente, integran dimensiones interdependientes: la competencia técnica
(manejo de hardware y software), la competencia pedagógica (integración
de tecnología en el diseño instructivo), la competencia comunicativa
(interacción en entornos digitales) y la competencia para gestionar información
de manera efectiva.
Esteve-Mon
et al. (2020); y, Acevedo-Duque et al. (2020), señalan que el profesorado
universitario suele presentar niveles adecuados de competencia técnica, pero
mayores dificultades en la dimensión pedagógica, que determina la efectividad
de la integración tecnológica. Así, la competencia digital incluye no solo
saber usar una herramienta, sino diseñar actividades de aprendizaje
significativas desde la pedagogía. Desde lo conceptual, las competencias
digitales integran conocimientos, habilidades y actitudes. Un docente puede
sentirse seguro, pero carecer de habilidades pedagógicas, o poseer amplios
conocimientos técnicos, pero sentir ansiedad al implementarlos.
Instefjord
y Munthe (2017), sostienen que la competencia digital profesional requiere
tanto de conocimientos específicos como eficacia percibida para dinamizarlos,
lo que justifica incluir la autoeficacia y competencias digitales como
predictores independientes, pero complementarios.
Desde
una visión práctica, estudios previos demuestran que un nivel alto de
competencias digitales percibidas es un facilitador directo del uso
tecnológico. Cisneros-Barahona et al. (2024), encontraron que solo el 39% del
profesorado universitario evaluado superaba un nivel medio de competencia
digital, lo que indica una fuerte barrera de capacidad. Gómez-Trigueros (2023),
validó un instrumento para medir la autopercepción de estas competencias y
confirmó su relación con la preparación para la docencia digital.
Además,
Carranza et al. (2023) identificaron una relación estrecha entre habilidades
digitales de los docentes y las estrategias de enseñanza mediadas por
tecnología que implementan, destacando que una mayor competencia se convierte
en un repertorio metodológico más diverso y complejo. Por lo tanto, estas
competencias funcionan como un entramado que facilita la concreción de la
intencionalidad de uso en una práctica educativa viable y sostenible.
Un
mayor nivel de competencias digitales docentes percibidas (en las dimensiones
técnica, pedagógica, comunicativa y de gestión de la información) se
relacionará favorablemente con un uso de la tecnología más frecuente, variado y
orientado a propósitos pedagógicos sólidos. Las competencias proporcionan el
saber hacer necesario para superar barreras prácticas y para innovar, pasando
de la sustitución de medios tradicionales hacia una reconfiguración de las
experiencias de aprendizaje. En suma, el desarrollo de competencias digitales
integrales es una condición esencial para una integración tecnológica eficiente
en el nuevo panorama universitario postpandemia.
1.4.
Las modalidades de enseñanza bimodal y remota como contexto de práctica
La
experiencia del profesorado en la modalidad bimodal (enseñanza simultánea a
estudiantes presenciales y remotos) y la modalidad remota (totalmente en
línea), trasciende la simple descripción demográfica. Desde un punto de vista
funcional, estas modalidades imponen requerimientos tecnológicos y pedagógicos
de mayor complejidad que la docencia presencial tradicional.
La
enseñanza bimodal requiere gestionar dos dimensiones esenciales y articular
herramientas que faciliten una interacción fluida entre ambos grupos; mientras
que la enseñanza remota, exige el dominio total de entornos virtuales de
aprendizaje y estrategias de educación a distancia. Mendiguren et al. (2023),
señalan que mantener la atención y satisfacer las necesidades de ambos
contextos representa un desafío pedagógico significativo, en especial por la
pérdida de interacción. Este carácter complejo convierte la práctica en estas
modalidades en un escenario importante para el desarrollo profesional.
Por
lo tanto, la experiencia en estas modalidades es un mecanismo de aprendizaje
activo que influye en el uso de la tecnología mediante dos vías
interrelacionadas. En primer lugar, constituye la base de experiencias de
dominio esenciales para el desarrollo de la autoeficacia docente según la Teoría
Social Cognitiva, pues cada sesión bimodal o remota efectiva, robustece la
creencia del docente en sus capacidades tecno-pedagógicas.
En
segundo lugar, esta práctica sistematizada facilita la adquisición de
competencias digitales específicas y complejas, como la gestión de aulas
híbridas, la creación de materiales multimedia eficaces y la moderación de
foros en línea. Así, la práctica en ambientes exigentes, consolida y amplía el
sistema de medios tecnológicos del docente de una forma aplicada y funcional.
Docentes
con mayor experiencia en estas modalidades han desarrollado esquemas de uso de
la tecnología más actuales y flexibles. Azofeifa-Mora y García-Martínez (2023),
constataron que un curso bimodal mediación pedagógica apoyada en TIC y
aprendizaje invertido, resultó en flexibilización curricular y percepción
favorable por parte de los estudiantes. Esto indica que la experiencia en
modalidades complejas impulsa a los docentes hacia diseños didácticos más
innovadores.
Vázquez-Cupeiro
y García-Arnau (2022), subrayan que la digitalización obligatoria permitió al
profesorado transitar hacia un sistema de recursos digitales amplio, y sugieren
que la práctica intensiva durante la pandemia expandió dicho sistema de forma
irreversible. De este modo, la experiencia en la bimodalidad no se limita a la
familiarización cognoscitiva, sino que promueve una integración tecnológica más
fundamentada y estratégica.
De
hecho, la experiencia previa y continua en modalidad bimodal y remota,
presupone una relación favorable con un uso de la tecnología más frecuente,
variado y con una intencionalidad pedagógica más sólida. Dicha experiencia
interviene como un filtro que, mediante la práctica en escenarios tecnológicos,
fortalece la autoeficacia y las competencias digitales, favoreciendo así a la
transferencia de paradigmas de uso a otros escenarios formativos, lo que
refuerza su coherencia con la naturaleza dinámica de la actual perspectiva de
la educación universitaria.
1.5.
Integración del modelo teórico: relaciones e hipótesis predictivas
Los
fundamentos teóricos y evidencias empíricas expuestos permiten integrar un
modelo sistémico que explica los factores predictores del uso de la tecnología
en el profesorado universitario postpandemia. Este modelo establece relaciones
dinámicas donde la autoeficacia docente, las competencias digitales y la
experiencia en modalidades bimodal y remota, interactúan para predecir un uso
de la tecnología entendido como un constructo integrador de frecuencia,
variedad e intencionalidad pedagógica.
Según
la Teoría Social Cognitiva, las creencias de autoeficacia se construyen sobre
experiencias de dominio logrado. Por ello, un mayor nivel de competencias
digitales percibidas (el saber hacer) influye como un factor principal para el
desarrollo de una autoeficacia tecnológica más robusta, tal como lo evidencian
Arpasi et al. (2022); y, Roy et al. (2025). A su vez, la experiencia práctica
en contextos complejos como la enseñanza bimodal y remota provee el escenario
ideal para activar y fortalecer esta relación, funcionando como catalizador que
robustece competencias y confianza mediante la práctica sistematizada y la
resolución de problemas reales.
El
modelo no solo identifica predictores directos, sino que considera el proceso
psicológico y práctico a través del cual la experiencia y las capacidades
adquiridas se manifiestan en mayor confianza y, en última instancia, en un uso
más efectivo de la tecnología, tal como se presenta en la Figura I.
Fuente: Elaboración propia, 2025 a partir de los fundamentos teóricos y
vivencias empíricas previas.
Figura I: Modelo teórico de predictores del uso de la
tecnología en el profesorado universitario
Este
modelo teórico integral, con sustento en la Teoría Social Cognitiva y la
evidencia revisada, ofrece un marco sólido para analizar empíricamente los
factores que impulsan una integración tecnológica efectiva en el actual
panorama educativo universitario, centrándose no en la simple adopción, sino en
la eficiencia del uso de la tecnología por parte del profesorado y su
trascendencia en el estudiantado.
2.
Metodología
2.1.
Diseño de investigación
El
estudio adoptó un enfoque cuantitativo con un diseño no experimental,
transversal y alcance correlacional-predictivo (Hernández-Sampieri y Mendoza,
2018). Se empleó el método hipotético-deductivo para contrastar un modelo
teórico fundamentado en la literatura mediante ecuaciones estructurales (SEM).
2.2.
Participantes
La
población objetivo fue la planta docente activa de la Universidad Técnica
Estatal de Quevedo (UTEQ), en Ecuador, compuesta por 489 profesores de ocho
facultades (UTEQ, 2024). Mediante muestreo probabilístico estratificado
proporcional (facultad, tipo de contrato y carrera académica), se calculó un
tamaño muestral inicial de 350 docentes (95% de confianza, 5% de error). Tras
la depuración de outliers multivariados
(distancia de Mahalanobis, p < 0.001), se excluyeron 30 casos atípicos,
obteniendo una muestra final de 320 docentes.
La
Tabla 1, presenta la distribución proporcional de la muestra por facultad. La
muestra final presentó 51,6% hombres (n = 165) y 48,4% mujeres (n = 155), con
experiencia docente media de 14.8 años (DT = 9.7). El 44% poseía doctorado, 37%
magíster y 19% especialización o diplomado.
Tabla 1
Distribución de la muestra según facultad
|
Facultad |
Población (N) |
Proporción (%) |
Muestra (n) |
|
Ciencias Agrarias y Forestales |
60 |
12.3 |
39 |
|
Ciencias Pecuarias y Biológicas |
58 |
11.9 |
38 |
|
Ciencias de la Industria y Producción |
70 |
14.3 |
46 |
|
Ciencias Empresariales |
50 |
10.2 |
33 |
|
Ciencias Sociales, Económicas y Financieras |
65 |
13.3 |
43 |
|
Ciencias de la Educación |
51 |
10.4 |
33 |
|
Ciencias de la Ingeniería |
70 |
14.3 |
46 |
|
Ciencias de la Salud |
65 |
13.3 |
42 |
|
Total |
489 |
100 |
320 |
Fuente: Elaboración propia, 2025
basada en el Informe de Rendición de Cuenta de 2023 (UTEQ, 2024).
2.3. Instrumentos
Se empleó un cuestionario autoadministrado en línea de 22 ítems. De estos, ١٩ ítems de escala Likert (١ = Totalmente en desacuerdo; ٥ = Totalmente de acuerdo) conformaron el modelo de medida SEM. Los ٣ ítems restantes correspondieron a caracterización sociodemográfica (sexo, años de experiencia docente y nivel educativo máximo). La dimensión uso de la tecnología fue evaluada mediante una escala original de ١٤ ítems de López et al. (٢٠٢٣), de la cual se adaptaron ٩ ítems al contexto de la educación superior ecuatoriana postpandemia.
Para la autoeficacia docente percibida se empleó la subescala de Conocimiento Tecnológico (TK) validada por Gómez-Trigueros (٢٠٢٣) con fundamento en el modelo TPACK (Mishra y Koehler, ٢٠٠٦). De los ٦ ítems que evalúan la percepción docente sobre las tecnologías, se eligieron ٤ con cargas factoriales superiores a ٠,٧٥ y mayor relevancia para el contexto.
Las competencias digitales docentes se midieron con sustento en el Marco Europeo de Competencia Digital Docente “DigCompEdu”, utilizando la traducción y adaptación al español del cuestionario DigCompEdu Check-In validada por Cabero-Almenara y Palacios-Rodríguez (٢٠٢٠). Se seleccionaron ٤ ítems de dos áreas: Pedagogía digital (٢ ítems), que evalúa el diseño, planificación e implementación de tecnologías digitales; y, evaluación y retroalimentación (٢ ítems), que aborda el uso de herramientas digitales para la evaluación formativa y sumativa.
Para registrar la experiencia del docente en modalidades no presenciales se utilizaron dos ítems (uno para enseñanza bimodal y otro para enseñanza remota) basados en las recomendaciones de Archambault y Barnett (٢٠١٠). Siguiendo a Marsh y Hau (١٩٩٩); Fuchs y Diamantopoulos (٢٠٠٩); y, Kline (٢٠٢٣), el uso de indicadores únicos para constructos de experiencia es metodológicamente aceptable cuando el constructo es concreto, unidimensional y objetivo (número de asignaturas), además de no existir escalas validadas alternativas en el contexto ecuatoriano.
La validez de contenido se obtuvo mediante juicio de cinco expertos (CVC = ٠.٩١; Hernández, ٢٠٠٢). Un estudio piloto con ٤٠ docentes permitió realizar un Análisis Factorial Exploratorio (AFE) con extracción de ejes principales y rotación Promax, verificando adecuación muestral (KMO = ٠.٨٩) y prueba de esfericidad de Bartlett, χ²(١٧١) = ١٢٤٥.٦, p < ٠.٠٠١.
La Tabla 2, presenta los estadísticos de confiabilidad y validez convergente, donde todos los valores superan los umbrales recomendados (α > 0.80, FC > 0.80, AVE > 0.50; Hair et al., 2019). Para el constructo Competencias Digitales Docentes (4 ítems) se obtuvo adicionalmente un coeficiente de Spearman-Brown de 0.93.
Tabla 2
Estadísticos de confiabilidad y validez
convergente
|
Dimensión |
Ítems |
α de Cronbach |
Fiabilidad Compuesta (FC) |
AVE |
|
Uso de la Tecnología |
9 |
0.93 |
0.94 |
0.61 |
|
Autoeficacia Docente Percibida |
4 |
0.95 |
0.96 |
0.65 |
|
Competencias Digitales Docentes |
4 |
0.91 |
0.92 |
0.60 |
Nota: α = alfa de Cronbach; FC
= Fiabilidad Compuesta; AVE = Varianza Media Extraída. Las dimensiones de
experiencia (bimodal y remota) se midieron con un solo ítem, aceptable para constructos
concretos y unidimensionales (Kline, ٢٠٢٣).
Fuente: Elaboración propia, ٢٠٢٥.
2.4. Procedimiento de recolección de datos
Tras la aprobación del Comité de Ética de la UTEQ, se contactó a las autoridades de las ocho facultades y se invitó por correo electrónico a los 350 docentes seleccionados inicialmente, con explicación de objetivos, confidencialidad y consentimiento informado. El cuestionario se administró mediante Google Forms durante cuatro semanas, con recordatorios semanales. Se obtuvo una tasa de respuesta del 91,4%.
2.5. Análisis de datos
El análisis se desarrolló en dos etapas (Anderson y Gerbing, 1988; Kline, 2023). En la primera, con SPSS versión 25, se realizó un análisis descriptivo y se evaluó la fiabilidad (α y FC) y validez convergente (AVE). En la segunda, con AMOS versión 26, se especificó un modelo SEM.
a. Verificación de supuestos para estimación SEM: Previo a la estimación, se verificaron rigurosamente los supuestos estadísticos (Byrne, 2016; Kline, 2023). Para la normalidad univariada, los coeficientes de asimetría de los 19 ítems oscilaron entre 0.15 y 1.62; y los de curtosis entre 0.08 y 2.87, todos dentro de los rangos aceptables (asimetría < 2; curtosis < 7; Curran et al., 1996). Se detectaron 30 outliers multivariados mediante la distancia de Mahalanobis (D² > 54.09, χ² con 19 gl, p < 0.001), los cuales fueron excluidos, resultando una muestra efectiva de 320 casos.
El porcentaje de datos perdidos fue inferior al 2% (rango: 0% - 1.8%), imputados mediante el método de regresión múltiple (Enders, 2010). El coeficiente de Mardia para normalidad multivariada fue de 32.4 (p < 0.001), superando el umbral de 5 que indica violación (Mardia, 1970). Además, se empleó el estimador de Máxima Verosimilitud Robusta (MLR) con corrección de Satorra y Bentler (1990), que ajusta errores estándar y el estadístico chi-cuadrado ante la violación de la normalidad multivariada, proporcionando inferencias más fiables (Maydeu-Olivares y Shi, 2017; Li, 2021).
b. Evaluación del modelo y estabilidad de estimaciones: El ajuste del modelo se evaluó mediante χ²/df, CFI, TLI, RMSEA y SRMR (Hu y Bentler, 1999; Byrne, 2016). Para garantizar la estabilidad de las estimaciones se realizó un análisis de bootstrap con 5.000 remuestreos, generando intervalos de confianza del 95% sesgo-corregidos (Preacher y Hayes, 2008). Todos los análisis se efectuaron con α = 0.05.
3. Resultados y discusión
El modelo de ecuaciones estructurales (SEM) propuesto, identificó los factores predictores del uso de la tecnología por parte del profesorado universitario en el contexto postpandemia, considerando la autoeficacia docente percibida, las competencias digitales docentes y la experiencia en enseñanza bimodal y remota. Este análisis resulta clave para comprender el nuevo panorama educativo universitario, definido por una hibridación permanente y compleja (Dorfsman y Horenczyk, 2021; Vázquez-Cupeiro y García-Arnau, 2022).
3.1. Estadística descriptiva
La Tabla 3, presenta las medias y desviaciones
típicas de las dimensiones del modelo. Los resultados muestran que las
competencias digitales docentes (M = 3.52, DT = 1.24) y la autoeficacia (M =
3.41, DT = 1.21), presentan valores superiores al uso real de la tecnología (M
= 2.15, DT = 1.26).
Tabla 3
Análisis descriptivo de las dimensiones del
modelo
|
Dimensiones |
Media |
Desv. Stándar |
|
Uso de la Tecnología |
2,15 |
1,26 |
|
Autoeficacia Docente Percibida |
3,41 |
1,21 |
|
Competencias Digitales Docentes |
3,52 |
1,24 |
|
Enseñanza Bimodal |
1,78 |
0,71 |
|
Enseñanza Remota |
1,69 |
0,65 |
Fuente: Elaboración propia, ٢٠٢٥
en base a resultados obtenidos del procesamiento con SPSS v. ٢٥.
Esta brecha entre percepción y aplicación práctica, también documentada por Almache et al. (2024); y, Estupiñán et al. (2025), evidencia la necesidad de avanzar hacia una intención pedagógica reflexiva en el uso de TIC (García-Peñalvo et al., 2020; Crovi, 2023).
3.2. Cargas factoriales del instrumento
La Tabla 4, presenta las cargas factoriales estandarizadas de los 19 ítems del cuestionario. Todas las cargas fueron superiores a 0.60 (rango: 0.62 – 0.89) y estadísticamente significativas (p < 0.001). Los intervalos de confianza del 95% bootstrap (5.000 réplicas) no incluyeron el cero en ningún caso, confirmando la validez convergente y la robustez de las estimaciones.
Tabla 4
Cargas factoriales estandarizadas de los 19 ítems
|
Ítem |
Dimensión |
(λ) |
EE |
p |
IC 95% Bootstrap |
|
UT1 |
Uso de la Tecnología |
0.74 |
0.05 |
< 0.001 |
(0.64; 0.84) |
|
UT2 |
Uso de la Tecnología |
0.70 |
0.06 |
< 0.001 |
(0.58; 0.81) |
|
UT3 |
Uso de la Tecnología |
0.76 |
0.05 |
< 0.001 |
(0.66; 0.86) |
|
UT4 |
Uso de la Tecnología |
0.67 |
0.06 |
< 0.001 |
(0.55; 0.78) |
|
UT5 |
Uso de la Tecnología |
0.72 |
0.06 |
< 0.001 |
(0.60; 0.83) |
|
UT6 |
Uso de la Tecnología |
0.71 |
0.06 |
< 0.001 |
(0.59; 0.82) |
|
UT7 |
Uso de la Tecnología |
0.62 |
0.07 |
< 0.001 |
(0.48; 0.75) |
|
UT8 |
Uso de la Tecnología |
0.65 |
0.07 |
< 0.001 |
(0.51; 0.77) |
|
UT9 |
Uso de la Tecnología |
0.73 |
0.06 |
< 0.001 |
(0.61; 0.84) |
|
AD1 |
Autoeficacia Docente Percibida |
0.78 |
0.05 |
< 0.001 |
(0.68; 0.87) |
|
AD2 |
Autoeficacia Docente Percibida |
0.74 |
0.06 |
< 0.001 |
(0.62; 0.85) |
|
AD3 |
Autoeficacia Docente Percibida |
0.71 |
0.06 |
< 0.001 |
(0.59; 0.82) |
|
AD4 |
Autoeficacia Docente Percibida |
0.73 |
0.06 |
< 0.001 |
(0.61; 0.84) |
|
CD1 |
Competencia Digital Docente |
0.87 |
0.04 |
< 0.001 |
(0.79; 0.94) |
|
CD2 |
Competencia Digital Docente |
0.84 |
0.04 |
< 0.001 |
(0.76; 0.92) |
|
CD3 |
Competencia Digital Docente |
0.81 |
0.05 |
< 0.001 |
(0.71; 0.90) |
|
CD4 |
Competencia Digital Docente |
0.83 |
0.05 |
< 0.001 |
(0.73; 0.92) |
|
EB1 |
Experiencia Enseñanza Bimodal |
0.89 |
0.05 |
< 0.001 |
(0.79; 0.97) |
|
ER1 |
Experiencia Enseñanza Remota |
0.86 |
0.06 |
< 0.001 |
(0.74; 0.95) |
Nota: EE = error estándar
robusto. IC al ٩٥٪ calculados con bootstrap sesgo-corregido (٥.٠٠٠ réplicas).
Fuente: Elaboración propia, ٢٠٢٥.
3.3. Evaluación del modelo de ecuaciones estructurales (SEM)
El modelo estimado con MLR presentó un excelente ajuste global (ver Tabla 5). Los índices obtenidos se ubican dentro de los rangos recomendados por Hu y Bentler (1999); y, Byrne (2016).
Tabla 5
Índices de ajuste global del modelo SEM
|
Índice |
Valor obtenido |
Valor de corte |
Interpretación |
|
χ²/gl |
1,85 |
≤ 3.0 |
Bueno |
|
CFI |
0.97 |
≥ 0,95 |
Excelente |
|
TLI |
0.96 |
≥ 0,95 |
Excelente |
|
RMSEA |
0.042 |
< 0.06 |
Bueno |
|
SRMR |
0.035 |
< 0.08 |
Bueno |
Fuente: Elaboración propia, ٢٠٢٥.
3.4. Contrastación de las hipótesis
La Tabla 6, presenta las relaciones
estructurales. La autoeficacia docente ejerce un efecto positivo y
significativo sobre el uso de la tecnología (β = 0.52, p < 0.001),
respaldando la Teoría Social Cognitiva (De Britto, 2021). Las competencias
digitales docentes influyen directamente en el uso tecnológico (β = 0.45, p
< 0.001) y también en la autoeficacia (β = 0.56, p < 0.001), evidenciando
su complementariedad (Instefjord y Munthe, 2017; Esteve-Mon et al., 2020).
Tabla 6
Relaciones estructurales del modelo
|
Relación |
β |
EE |
Z |
p |
IC 95% Bajo |
IC 95% Alto |
|
Autoeficacia – Uso de la Tecnología |
0.52 |
0.07 |
7.43 |
< 0.001 |
0.38 |
0.66 |
|
Competencias Digitales Docentes – Uso de la Tecnología |
0.45 |
0.07 |
6.43 |
< 0.001 |
0.31 |
0.59 |
|
Competencias Digitales Docentes -Autoeficacia Docente
Percibida |
0.56 |
0.06 |
9.33 |
< 0.001 |
0.44 |
0.68 |
|
Enseñanza Bimodal – Uso de la Tecnología |
0.08 |
0.05 |
1.60 |
0.110 |
-0.02 |
0.18 |
|
Enseñanza Remota – Uso de la Tecnología |
0.14 |
0.06 |
2.33 |
0.020 |
0.02 |
0.26 |
Nota: EE = error estándar
robusto. IC al 95% calculados con bootstrap sesgo-corregido (5.000 réplicas).
Fuente: Elaboración propia, 2025.
La experiencia en enseñanza remota predijo significativamente el uso tecnológico (β = 0.14, p = 0.020); mientras que la experiencia bimodal no alcanzó significación estadística (β = 0.08, p = 0.110), lo que concuerda con la mayor complejidad pedagógica atribuida a esta modalidad (Vázquez-Cupeiro y García-Arnau, 2022; Mendiguren et al., 2023).
3.5. Efectos indirectos y poder explicativo
La autoeficacia actuó como mediadora parcial entre competencias digitales y uso de la tecnología (β indirecto = 0.29; IC 95% [0.19, 0.39]; p < 0.001), consistente con Deroncele-Acosta et al. (2023). El modelo explicó el 58% de la varianza del uso tecnológico (R² = 0.58), evidenciando una alta fuerza predictiva conjunta. El hecho de que solo la experiencia remota (y no la bimodal) contribuya significativamente sugiere priorizar la formación en modalidades no presenciales (Viñas y Secul, 2025).
Conclusiones
El estudio confirmó que la autoeficacia docente percibida y las competencias digitales docentes, son predictores esenciales del uso de la tecnología por el profesorado universitario en postpandemia. La autoeficacia docente percibida impacta directamente en la frecuencia, variedad e intencionalidad pedagógica del uso de la tecnología, lo que revela la importancia de robustecer estas creencias.
Las competencias digitales docentes emergen como predictor del uso tecnológico de la autoeficacia docente, reafirmando su interdependencia en el desarrollo pedagógico sostenible. La mediación de la autoeficacia docente percibida en la relación entre competencias digitales docentes y uso de la tecnología, recalca la necesidad de enfoques formativos integrales que modulen saber hacer técnico-pedagógico y construcción de confianza docente.
La experiencia en enseñanza remota y bimodal mostró complejidades específicas, especialmente en la modalidad bimodal, lo que sugiere rediseñar estrategias formativas diferenciadas por modalidad. La integración tecnológica es un fenómeno multidimensional donde confluyen creencias, competencias y experiencia contextual. Avanzar hacia una transformación digital eficiente requiere de inversión en infraestructura, fortalecer la autoeficacia, desarrollar competencias digitales y generar experiencias contextualizadas en entornos no presenciales.
Entre las limitaciones, el diseño transversal limita establecer causalidad definitiva; la muestra se circunscribe a una universidad pública ecuatoriana, impidiendo la generalización; y el uso de autorreportes puede introducir sesgos de deseabilidad social. futuros estudios debieran emplear diseños longitudinales, muestras multiinstitucionales y evaluar la invarianza de medición entre grupos, así como explorar estrategias formativas que potencien la resiliencia tecnológica y el aprendizaje adaptativo en ambientes híbridos.
Referencias bibliográficas
Acevedo-Duque, Á.,
Argüello,
A. J., Pineda, B. G., y Turcios, P. W. (2020). Competencias del docente en
educación online en tiempo de COVID-19: Universidades Públicas
de Honduras. Revista de Ciencias Sociales (Ve), XXVI(E-2), 206-224. https://doi.org/10.31876/rcs.v26i0.34123
Almache, V. J., Jiménez, A. M.,
Calderón, D. E., y Vásquez, S. F. (2024). Transformación
digital
en los procesos de aprendizaje de la educación superior. Magazine
de las Ciencias: Revista de Investigación e Innovación,
9(1), 52-73. https://doi.org/10.33262/rmc.v9i1.3060
Anderson, J. C., y Gerbing, D.
W. (1988). Modelado de ecuaciones estructurales en la práctica: Una revisión
y un
enfoque recomendado de dos pasos. Psychological
Bulletin, 103(3), 411-423. https://doi.org/10.1037/0033-2909.103.3.411
Archambault, L. M., y Barnett, J. H. (2010). Revisiting technological
pedagogical content knowledge: Exploring the TPACK framework. Computers and
Education, 55(4), 1656-1662. https://doi.org/10.1016/j.compedu.2010.07.009
Arpasi, D. A., Acuña, S. P., y
Mayorga, J. C. (2022). Autoeficacia y competencia digital universitaria en
tiempos de Covid-19. PsiqueMag: Revista Científica Digital de Psicología,
11(2), 50-59. https://doi.org/10.18050/psiquemag.v11i2.2110
Azofeifa-Mora, C., y
García-Martínez, J. A. (2023). Formación bimodal universitaria de profesionales
en Ciencias del Movimiento Humano: Un aporte desde el modelo de aprendizaje
invertido con el apoyo de las Tecnologías de la Información y la Comunicación
(TIC). Innovaciones Educativas, 25(38), 232-245. https://doi.org/10.22458/ie.v25i38.4214
Bandura, A. (1986). Fearful expectations and avoidant actions as
coeffects of perceived self-inefficacy. American Psychologist, 41(12),
1389-1391. https://doi.org/10.1037/0003-066X.41.12.1389
Bao, W. (2020). COVID -19 and
online teaching in higher education: A case study of Peking University. Human
Behavior and Emerging Technologies, 2(2), 113-115. https://doi.org/10.1002/hbe2.191
Briceño,
M., Correa, S., Valdés, M., y Hadweh, M. (2020). Modelo de gestión
educativa
para programas en modalidad virtual de aprendizaje. Revista de Ciencias
Sociales (Ve), XXVI(2), 286-298. https://doi.org/10.31876/rcs.v26i2.32442
Byrne, B. M. (2016). Structural Equation Modelling with AMOS: Basic
Concepts, Applications, and Programming. Routledge. https://doi.org/10.4324/9781315757421
Cabero-Almenara, J., y
Llorente-Cejudo, C. (2020). Covid-19: Transformación radical de la
digitalización en las instituciones universitarias. Campus Virtuales, 9(2),
25-34. http://www.uajournals.com/ojs/index.php/campusvirtuales/article/view/713
Cabero-Almenara, J., y
Palacios-Rodríguez, A. (2020). Marco Europeo de Competencia Digital Docente
«DigCompEdu» y cuestionario «DigCompEdu Check-In». EDMETIC, Revista de
Educación Mediática y TIC, 9(1), 213-234. https://doi.org/10.21071/edmetic.v9i1.12462
Carranza, M. D. R., Islas, C.,
Jiménez, A. A., y Forés, A. (2023). Competencias digitales de docentes
universitarios y estrategias de enseñanza mediadas por tecnologías. Transdigital,
4(8), 1-26. https://doi.org/10.56162/transdigital270
Chávez, S. V., Arteaga, M. M.,
Bumbila, B. B., y Maitta, I. S. (2025). Entornos virtuales como estrategias
integrales para optimizar el proceso enseñanza-aprendizaje en el área de
Ciencias Naturales. Revista de Ciencias Sociales (Ve), XXXI(1), 234-249.
https://doi.org/10.31876/rcs.v31i1.43504
Cisneros-Barahona, A. S.,
Marqués-Molías, L., Samaniego-Erazo, G., y Mejía-Granizo, C. (2024). Evaluación
de la competencia digital docente. Un análisis que integra las perspectivas
descriptiva, inferencial y multivariada. RIED-Revista Iberoamericana de
Educación a Distancia, 27(2), 185-221. https://doi.org/10.5944/ried.27.2.39122
Crovi, D. (2023). Comunicación
educativa en pospandemia: Factores que interpelan a la formación digital
universitaria. InMediaciones de la Comunicación, 19(1), 267-281. https://doi.org/10.18861/ic.2024.19.1.3703
Curran, P. J., West, S. G., y
Finch, J. F. (1996). The robustness of
test statistics to nonnormality and specification error in confirmatory factor
analysis. Psychological Methods, 1(1), 16-29. https://doi.org/10.1037/1082-989X.1.1.16
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and
User Acceptance of Information Technology. MIS Quarterly, 13(3),
319-340. https://doi.org/10.2307/249008
De Britto, E. R. (2021). Fontes
de autoeficácia computacional docente como caminho para a inovação pedagógica. Revista
da FAEEBA - Educação e Contemporaneidade, 30(64), 241-264. https://doi.org/10.21879/faeeba2358-0194.2021.v30.n64.p241-264
Delgado, G., Gutiérrez, R. A.,
y Ochoa, C. A. (2020). Competencias en uso de Tecnologías de Información y
Comunicación: Estudiantes de postgrados a distancia. Revista de Ciencias
Sociales (Ve), XXVI(E-2), 314-327. https://doi.org/10.31876/rcs.v26i0.34130
Deroncele-Acosta, A.,
Palacios-Núñez, M. L., y Toribio-López, A. (2023). Digital Transformation and Technological Innovation on
Higher Education Post-COVID-19. Sustainability, 15(3), 2466. https://doi.org/10.3390/su15032466
Dorfsman, M., y Horenczyk, G.
(2021). El cambio pedagógico en la docencia universitaria en los tiempos de
Covid-19. Revista de Educación a Distancia (RED), 21(67), 3. https://doi.org/10.6018/red.475151
Enders, C. K. (2010). Applied missing data analysis. The Guilford
Press.
Esteve-Mon, F. M., Llopis-Nebot, M. Á., y Adell-Segura, J. (2020). Digital
teaching competence of university teachers: A systematic review of the
literature. IEEE Revista Iberoamericana de Tecnologías del Aprendizaje, 15(4),
399-406. https://doi.org/10.1109/RITA.2020.3033225
Estupiñán, M. A.,
Sanipatin-Basantes, S. N., López-Ramos, M. P., y Moyano-Arias, R. J. (2025).
Transformación digital en la educación superior: Desafíos y potencial innovador
en la formación universitaria. Código Científico Revista de Investigación,
6(1), 1627-1636. https://doi.org/10.55813/gaea/ccri/v6/n1/953
Fuchs, C., y Diamantopoulos, A.
(2009). Using single-item measures for
construct measurement in management research: Conceptual issues and application
guidelines. Die Betriebswirtschaft, 69(2), 195-210. https://temme.wiwi.uni-wuppertal.de/fileadmin/_migrated/content_uploads/fuchs_diamantopoulos_2009.pdf
García-Peñalvo, F. J., Corell,
A., Abella-García, V., y Grande, M. (2020). La evaluación online en la
educación superior en tiempos de la COVID-19. Education in the Knowledge Society (EKS), 21, 26. https://doi.org/10.14201/eks.23086
Garrido, F. J., y
Ríos,
J. A. (2020). Oportunidades educativas tras la pandemia: El tiempo es ahora. ARS
MEDICA Revista de Ciencias Médicas, 45(2),
5-7. https://doi.org/10.11565/arsmed.v45i2.1676
Gómez-Trigueros, I. M. (2023).
Validación de la escala TPACK-DGG y su
implementación para medir la autopercepción
de las
competencias digitales docentes y la brecha digital de género en la formación
del
profesorado. Bordón. Revista de Pedagogía,
75(4), 151-175. https://doi.org/10.13042/Bordon.2023.100758
Hair, J. F., Gabriel, M. L. D. S.,
Da Silva, D., y Braga, S. (2019). Development
and validation of attitudes measurement scales: Fundamental and practical
aspects. RAUSP Management Journal, 54(4), 490-507. https://doi.org/10.1108/RAUSP-05-2019-0098
Hernández, M. D. J., Nieto, J.,
y Bajonero, J. N. (2021). Aprendizaje híbrido generado desde las Instituciones
de Educación Superior en México. Revista de Ciencias Sociales (Ve), XXVII(4),
49-61. https://doi.org/10.31876/rcs.v27i4.37233
Hernández, R. A. (2002). Contributions to Statistical Analysis: The
Coefficients of Proportional Variance, Content Validity and Kappa. BookSurge
Publishing.
Hernández-Sampieri, R., y
Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill
Education.
Hodges, C., Moore, S., Lockee, B., Trust, T., y Bond, A. (March 27,
2020). The difference between emergency remote teaching and online learning. Educause
Review. https://er.educause.edu/articles/2020/3/the-difference-between-emergency-remote-teaching-and-online-learning
Hu, L.-T., y Bentler, P. M. (1999). Cutoff criteria for fit indexes in
covariance structure analysis: Conventional criteria versus new alternatives. Structural
Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
Illescas, W. H., Nugra, M. A., Santana, R. E., y Sancho, C. S. (2025). Transformación
digital
aplicada a la educación: Un mapeo sistémico. Revista
de Ciencias Sociales (Ve), XXXI(E-12), 301-318. https://doi.org/10.31876/rcs.v31i.44566
Instefjord, E. J., y Munthe, E. (2017). Educating digitally competent
teachers: A study of integration of professional digital competence in teacher
education. Teaching and Teacher Education, 67, 37-45. https://doi.org/10.1016/j.tate.2017.05.016
Kline, R. B. (2023). Principios y práctica del modelado de ecuaciones
estructurales. The Guilford Press.
Li, C.-H. (2021). Statistical estimation of structural equation models
with a mixture of continuous and categorical observed variables. Behavior
Research Methods, 53, 2191-2213. https://doi.org/10.3758/s13428-021-01547-z
López, G. B., Norzagaray-Benitéz, C. C., Sotelo-Castillo, M. A., y
Fraijo-Figueroa, J. A. (2023). Adaptación y validación
de una
escala de uso tecnológico docente universitario. Sinéctica, (61), e1576. https://doi.org/10.31391/S2007-7033(2023)0061-015
Mardia, K. V. (1970). Measures of multivariate skewnees and kurtosis
with applications. Biometrika, 57(3),
519-530. https://doi.org/10.1093/biomet/57.3.519
Marsh, H. W., y Hau, K.-T.
(1999). Confirmatory factor analysis:
Strategies for small sample sizes. In R. H. Hoyle (Ed.), Statistical issues for small sample
research (pp. 251-284). Sage.
Maydeu-Olivares, A., y Shi, D.
(2017). Tamaños del efecto del desajuste del modelo en modelos de ecuaciones
estructurales: Covarianzas residuales estandarizadas y correlaciones
residuales. Methodology: European
Journal of Research Methods for the Behavioral and Social Sciences,
13(1), 23-30. https://doi.org/10.1027/1614-2241/a000129
Mendiguren, T., Meso, K.,
Pérez, J. Á., y Ganzabal, M. (2023).
Enseñanza bimodal en época de pandemia. Solución
provisoria
y reto para el futuro en la educación superior. Hipertext.net,
(26), 83-92. https://doi.org/10.31009/hipertext.net.2023.i26.13
Mishra, P., y Koehler, M. J. (2006). Technological Pedagogical Content
Knowledge: A new framework for teacher knowledge. Teachers College Record, 108(6),
1017-1054. https://rediie.cl/wp-content/uploads/Mishra-Koehler.pdf
Nuñez-Ramírez, M. A.,
Atila-Lijerón, J. D., Banegas-Rivero, R. A., y
Esparza-García, I. G. (2021). Predictores de la
intención hacia el uso de tecnologías de la información
y la
comunicación (TIC)
por profesores universitarios en Bolivia durante la pandemia por COVID-19. Formación Universitaria, 14(6),
109-118. https://doi.org/10.4067/S0718-50062021000600109
Preacher, K. J., y Hayes, A. F.
(2008). Asymptotic and Resampling
Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator
Models. Behavior Research Methods, 40(3), 879-891. https://doi.org/10.3758/BRM.40.3.879
Roy, D., Céspedes, C., Chacana, C., y Vera, H. (2025). La competencia
digital y la autoeficacia en docentes de educación superior, el rol de
las variables de edad y género. European
Public & Social Innovation Review, 10,
1-20. https://doi.org/10.31637/epsir-2025-1413
Satorra, A., y Bentler, P. M. (1990). Model conditions for asymptotic
robustness in the analysis of linear relations. Computational Statistics &
Data Analysis, 10(3), 235-249. https://doi.org/10.1016/0167-9473(90)90004-2
Universidad Técnica Estatal de
Quevedo - UTEQ (2024). Informe de rendición de cuentas 2023.
UTEQ. https://www.uteq.edu.ec/es/rendicion-cuentas/informe-2023
Vázquez-Cupeiro, S., y García-Arnau, A. (2022). La
educación digital en los tiempos del COVID-19: La digitalización
forzosa
y el ensanchamiento de las brechas educativas. Teknokultura. Revista de Cultura
Digital y Movimientos Sociales, 19(2), 119-121. https://doi.org/10.5209/tekn.81157
Viñas,
M., y Secul, C. (2025). Reconfiguración pedagógica pospandemia: Exploración de la incidencia de la pandemia en
métodos de enseñanza universitaria. DIDAC, (85), 39-48. https://doi.org/10.48102/didac.2025..85_ENE-JUN.237